Hive调优（SQL）

SQL优化

Hive作为大数据领域常用的数据仓库组件，在设计和开发阶段需要注意效率；
影响Hive效率的不仅仅是数据量过大；数据倾斜、数据冗余、job或I/O过多、MapReduce分配不合理等因素都对Hive的效率有影响；
对Hive的调优既包含对HiveSQL语句本身的优化，也包含Hive配置项和MR方面的调整。；

• 列裁剪和分区裁剪

列裁剪是在查询时只读取需要的列；分区裁剪就是只读取需要的分区 select 中不要有多余的列，坚决避免 select * from tab
查询分区表，不读多余的数据

select uid, event_type, record_data
from calendar_record_log
where pt_date >= 20190201 and pt_date <= 20190224
and status = 0;

• sort by 代替 order by

HQL中的order by与其他关系数据库SQL中的功能一样，是将结果按某字段全局排序，这会导致所有map端数据都进入一个reducer中，在数据量大时可能会长时间计算不完；

如果使用sort by，那么还是会视情况启动多个reducer进行排序，并且保证每个reducer内局部有序；

为了控制map端数据分配到reducer的key，往往还要配合distribute by 一同使用。如果不加 distribute by 的话，map端数据就会随机分配到reducer；

• group by 代替 count(distinct)

当要统计某一列的去重数时，如果数据量很大，count(distinct) 会非常慢；原因与order by类似，count(distinct)逻辑只会有很少的reducer来处理用group by 来写。

//原始SQL
select count(distinct uid)
from tab;
优化后的SQL
select count(1)
from (select uid
from tab
group by uid) tmp;

这样写会启动两个MR job（单纯distinct只会启动一个），所以要确保数据量大到启动job的overhead远小于计算耗时，才考虑这种方法；当数据集很小或者key的倾斜比较明显时，group by还可能会比distinct慢；

• gruop by 配置调整

1）map端预聚合
group by时，如果先起一个combiner在map端做部分预聚合，可以有效减少shuffle数据量；

//默认为true
set hive.map.aggr = true

//Map端进行聚合操作的条目数
set hive.groupby.mapaggr.checkinterval 1 = 100000
//通过hive.groupby.mapaggr.checkinterval 参数可设置map端预聚合的行数阈值，超过该值会分拆job，默认值10W

2）倾斜均衡配置项
group by时如果某些key对应的数据量过大，就会发生数据倾斜。Hive自带了一个均衡数据倾斜的配置项hive.groupby.skewindata ，默认值false；

其实现方法是在group by时启动两个MR job——

第一个job会将map端数据随机输入reducer，每个reducer做部分聚合，相同的key就会分布在不同的reducer中；

第二个job再将前面预处理过的数据按key聚合并输出结果，这样就起到了均衡的效果；

但是，配置项毕竟是死的，单纯靠它有时不能根本上解决问题，建议了解数据倾斜的细节，并优化查询语句；

• join优化

1.Hive join的方式
1）common join
普通连接，在SQL中不特殊指定连接方式使用的都是这种普通连接；
缺点——性能较差(要将数据分区，有shuffle)
优点——操作简单，普适性强
图示

2）map join
map端连接，与普通连接的区别是这个连接中不会有reduce阶段存在，连接在map端完成；

适用场景：
大表与小表连接，小表数据量应该能够完全加载到内存，否则不适用；

优点——在大小表连接时性能提升明显；

缺点——使用范围较小，只针对大小表且小表能完全加载到内存中的情况；

Hive 0.6 的时候默认select 后面小表在前，大表之后， 或者使用 /+mapjoin(map_table) /
提示进行设定。select a., b. from a join b on a.id =b.id【要求小表在前，大表之后】

hive 0.7 的时候这个计算是自动化的，它首先会自动判断哪个是小表，哪个是大表，这个参数由（hive.auto.convert.join=true）来控制，然后控制小表的大小由（hive.smalltable.filesize=25000000）参数控制（默认是25M），当小表超过这个大小，hive会默认转化成common join；

Hive 0.8.1，hive.smalltable.filesize => hive.mapjoin.smalltable.filesize

2.利用map join特性优化
map join特别适合大小表join的情况。Hive会将构建表build table和探测表probe table在map端直接完成join过程，消灭了reduce，效率很高；
举例：

select a.event_type, b.upload_time
from calendar_event_code a
inner join (
select event_type, upload_time from calendar_record_log
    where pt_date = 20190225
) b on a.event_type = b.event_type;

3.倾斜均衡配置项
这个配置与 group by 的倾斜均衡配置项异曲同工，通过hive.optimize.skewjoin来配置，默认false；

如果开启了，在join过程中Hive会将计数超过阈值hive.skewjoin.key （默认100000）的倾斜key对应的行临时写进文件中，然后再启动另一个job做map join生成结果。

通过hive.skewjoin.mapjoin.map.tasks 参数还可以控制第二个job的mapper数量，默认10000；

• 处理空值或无意义值

日志类数据中往往会有一些项没有记录到，其值为null，或者空字符串、-1等。如果缺失的项很多，在做join时这些空值就会非常集中，拖累进度【备注：这个字段是连接字段】；

若不需要空值数据，就提前写 where 语句过滤掉。需要保留的话，将空值key用随机方式打散，例如将用户ID为null的记录随机改为负值；

举例：

select a.uid, a.event_type, b.nickname, b.age
from (
    select
    (case when uid is null then cast(rand()*-10240 as int) else uid end) as uid
    ,event_type from calendar_record_log
    where pt_date >= 20190201
) a left outer join (
	select uid,nickname,age from user_info where status = 4
) b on a.uid = b.uid;

• 单独处理倾斜key

如果倾斜的 key 有实际的意义，一般来讲倾斜的key都很少，此时可以将它们单独抽取出来，对应的行单独存入临时表中，然后打上一个较小的随机数前缀（比如0~9），最后再进行聚合；

不要一个Select语句中，写太多的Join。一定要了解业务，了解数据。(A0-A9)
分成多条语句，分步执行；(A0-A4; A5-A9)
先执行大表与小表的关联；

• 调整Map数

通常情况下，作业会通过输入数据的目录产生一个或者多个map任务。

主要因素包括
1）输入文件总数
2）输入文件大小
3）HDFS文件块大小

map不是越多越好，合适的才是最好的；

如果一个任务有很多小文件（<< 128M），每个小文件也会被当做一个数据块，用一个 Map Task 来完成；一个 Map Task 启动和初始化时间 >> 处理时间，会造成资源浪费，而且系统中同时可用的map数是有限的；
对于小文件采用的策略是合并；
每个map处理接近128M的文件块，会有其他问题吗。也不一定。

有一个125M的文件，一般情况下会用一个Map Task完成。假设这个文件字段很少，但记录数却非常多。如果Map处理的逻辑比较复杂，用一个map任务去做，性能也不好；
对于复杂文件采用的策略是增加 Map 数

computeSliteSize(max(minSize, min(maxSize, blocksize))) =
blocksize
minSize : mapred.min.split.size （默认值1）
maxSize : mapred.max.split.size （默认值256M）
//调整maxSize最大值。让maxSize最大值低于blocksize就可以增加map的个数。
//建议用set的方式，针对SQL语句进行调整

• 调整Reduce数
  reducer数量的确定方法比mapper简单得多。使用参数mapred.reduce.tasks 可以直接设定reducer数量；

如果未设置该参数，Hive会进行自行推测，逻辑如下——

参数hive.exec.reducers.bytes.per.reducer
用来设定每个reducer能够处理的最大数据量，默认值256M；

参数hive.exec.reducers.max
用来设定每个job的最大reducer数量，默认值999（1.2版本之前）或1009（1.2版本之后）；

得出reducer数： reducer_num = MIN(total_input_size
/reducers.bytes.per.reducer, reducers.max)
即： min(输入总数据量 / 256M, 1009)

reducer数量与输出文件的数量相关。如果reducer数太多，会产生大量小文件，对HDFS造成压力。如果reducer数太少，每个reducer要处理很多数据，容易拖慢运行时间或者造成OOM内存溢出；